準(zhǔn)確獲取西蘭花花球面積和新鮮度是確定其長勢的關(guān)鍵步驟,本研究通過對深度殘差網(wǎng)絡(luò)ResNet進(jìn)行改進(jìn)得到一種新型的西蘭花花球分割模型,并通過花球部位黃綠顏色占比判斷其新鮮度,實(shí)現(xiàn)低成本高效準(zhǔn)確地西蘭花表型信息提取。主要技術(shù)流程包括:（1）基于地面自動影像獲取平臺拍攝西蘭花花球正射影像并建立原始數(shù)據(jù)集;（2）對訓(xùn)練圖像進(jìn)行預(yù)處理并輸入模型進(jìn)行分割;（3）基于顏色信息用粒子群結(jié)構(gòu)PSO和大津法Otsu對分割結(jié)果進(jìn)一步進(jìn)行閾值分割,獲取其新鮮度指標(biāo)。試驗(yàn)結(jié)果表明:本研究建立的分割模型精度優(yōu)于傳統(tǒng)深度學(xué)習(xí)模型和基于顏色空間變換和閾值分割模型,4個(gè)評價(jià)指標(biāo)結(jié)構(gòu)相似性指數(shù)（SSIM）、平均精度（Precision）、平均召回率（Recall）、F-度量（F-measure）結(jié)果分別為0.911、0.897、0.908和0.907,相比于傳統(tǒng)方法提升了10%-15%,且對土壤反射率波動、冠層陰影、輻射強(qiáng)度變化等干擾具有一定的魯棒性。同時(shí),在分割結(jié)果的基礎(chǔ)上采用PSO-Otsu法可以實(shí)現(xiàn)花球新鮮度快速分析,其精度超過了0.8。本研究結(jié)果實(shí)現(xiàn)了西蘭花田間多表型參數(shù)的高通量獲取,可以為作物田間長勢監(jiān)測研究提... 

【文章來源】：智慧農(nóng)業(yè)(中英文). 2020,2(01)

【文章頁數(shù)】：12 頁

【部分圖文】：

研究區(qū)域與數(shù)據(jù)采集平臺設(shè)計(jì)

本試驗(yàn)中共獲取西蘭花花球圖像442張，其中“浙青452”花球圖像132張，“臺綠1號”花球圖像141張，“臺綠2號”花球圖像169張。首先，基于田間拍攝的西蘭花花球正射影像，通過人工篩選去除存在失焦、模糊等問題的照片，將剩余每個(gè)品種100張照片作為輸入數(shù)據(jù)建立原始影像集，訓(xùn)練集和測試集比例設(shè)為4:1，即訓(xùn)練集中包含240張圖片，測試集中包含60張圖片。經(jīng)過數(shù)據(jù)增廣和人工標(biāo)記等預(yù)處理手段，將原始數(shù)據(jù)轉(zhuǎn)化為適合模型訓(xùn)練的大小并提高訓(xùn)練結(jié)果的泛化能力[15]。然后利用改進(jìn)的ResNet對模型進(jìn)行訓(xùn)練實(shí)現(xiàn)西蘭花花球分割，并進(jìn)一步對分割結(jié)果采用PSOA和Otsu算法進(jìn)行二次分割建立西蘭花新鮮度評估模型。技術(shù)路線如圖2所示。2.3.1 圖像預(yù)處理

傳統(tǒng)卷積網(wǎng)絡(luò)在信息傳遞過程中會存在信息丟失和損耗，同時(shí)出現(xiàn)梯度消失或梯度爆炸，導(dǎo)致訓(xùn)練網(wǎng)絡(luò)的深度受到限制。為解決這一問題，微軟亞洲研究院的何凱明博士等[18]2015年提出ResNet，該模型可以在加快網(wǎng)絡(luò)訓(xùn)練速度的同時(shí)提升模型準(zhǔn)確率并保持較好的推廣性，其主要思想是通過在網(wǎng)絡(luò)中增加直連通道從而保留之前網(wǎng)絡(luò)層一定比例的輸出，使得原始輸入信息可以直接傳輸?shù)胶竺娴膶又�。然而，�?jīng)典ResNet卷積層的濾波器作用于局部，獲取特征圖相互獨(dú)立且權(quán)重相等[19]。實(shí)際上這些特征圖的重要程度并不相同，采用這一操作會影響訓(xùn)練結(jié)果的精度。通過添加Squeeze-and-Excitation(SE）模塊可以對特征按照其重要性進(jìn)行重新調(diào)整[20]，并用全局信息作為衡量單個(gè)特征重要性的標(biāo)準(zhǔn)。圖3為將SE模塊嵌入ResNet的示例，方框右下角維度信息代表本層輸出。使用全局池化（Global Av‐erage Pooling）進(jìn)行遍歷（Squeeze）操作[21]，然后用兩個(gè)全連接層Fully Connected(FC)[22]組成Bottleneck結(jié)構(gòu)[23]對通道間的相關(guān)性進(jìn)行建模的同時(shí)輸出與輸入特征相同數(shù)量的權(quán)重。先將特征維度降低到原來的1/16，再通過模型的ReLU激活函數(shù)[24]進(jìn)行激活輸入一個(gè)全連接層中返回原來的維度。最后通過Sigmoid函數(shù)進(jìn)行歸一化運(yùn)算獲得0-1之間的權(quán)重?cái)?shù)值，用Scale操作將該權(quán)重加權(quán)到每個(gè)特征圖上。由于像素二分類任務(wù)（分割）較為簡單，本研究設(shè)計(jì)了一個(gè)20層的ResNet，實(shí)心曲線為shortcut連接，虛線模塊C20、C21通過含有大小1×1、步幅為2的卷積核實(shí)現(xiàn)降維。模塊C1-C20的卷積核大小為3×3,C9和C16中卷積核步幅為2，其他模塊步幅為1。輸入圖像通過C1-C19，然后經(jīng)過一個(gè)全局平均層最后進(jìn)入softmax分類層得到其對應(yīng)標(biāo)簽。遍歷待分割圖像的每一個(gè)像素點(diǎn)，提取以每一個(gè)像素點(diǎn)為中心的尺寸為18×18的方形圖像塊，將這些圖像塊輸入改進(jìn)的ResNet模型中，得到每一個(gè)像素的分類標(biāo)簽，再將其進(jìn)行重建即可得到最終的分割結(jié)果。

【參考文獻(xiàn)】：
期刊論文
[1]基于CNN和遷移學(xué)習(xí)的農(nóng)作物病害識別方法研究[J]. 李淼,王敬賢,李華龍,胡澤林,楊選將,黃小平,曾偉輝,張建,房思思.  智慧農(nóng)業(yè). 2019(03)
[2]基于遷移學(xué)習(xí)與卷積神經(jīng)網(wǎng)絡(luò)的玉米植株病害識別[J]. 陳桂芬,趙姍,曹麗英,傅思維,周佳鑫.  智慧農(nóng)業(yè). 2019(02)
[3]基于核函數(shù)支持向量機(jī)的植物葉部病害多分類檢測方法[J]. 魏麗冉,岳峻,李振波,寇光杰,曲海平.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2017(S1)
[4]不同貯藏條件對西蘭花感官品質(zhì)及抗氧化物質(zhì)的影響[J]. 袁定帥,陳潔,賴曉芳,楊國武,張協(xié)光,朱麗.  食品科技. 2017(04)
[5]基于GPU的生態(tài)環(huán)境遙感評價(jià)模型并行化研究[J]. 李林,顧進(jìn)鋒,宋安捷,鄭海寧,曹津,朱德海.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2017(05)
[6]不同池化模型的卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)性能研究[J]. 劉萬軍,梁雪劍,曲海成.  中國圖象圖形學(xué)報(bào). 2016(09)
[7]基于HSI顏色空間的植物葉片病斑提取方法[J]. 夏永泉,李耀斌,曾莎.  江蘇農(nóng)業(yè)科學(xué). 2015(08)
[8]基于L*a*b*彩色空間和局域動態(tài)閾值的藥用植物葉片圖像分割[J]. 高理文,林小樺.  計(jì)算機(jī)應(yīng)用與軟件. 2014(01)
[9]基于K-均值聚類與小波分析的聲發(fā)射信號去噪[J]. 周俊,劉麗川,楊繼平.  石油化工高等學(xué)校學(xué)報(bào). 2013(03)
[10]基于圖像處理和蟻群優(yōu)化的形狀特征選擇與雜草識別[J]. 李先鋒,朱偉興,紀(jì)濱,劉波,馬長華.  農(nóng)業(yè)工程學(xué)報(bào). 2010(10)

碩士論文
[1]基于多彩色空間的麥田監(jiān)控圖像分割技術(shù)研究[D]. 董曉輝.河南農(nóng)業(yè)大學(xué) 2015



本文編號：3069348